Aprendizado de máquina no trading: teoria, prática, negociação e não só - página 691
Você está perdendo oportunidades de negociação:
- Aplicativos de negociação gratuitos
- 8 000+ sinais para cópia
- Notícias econômicas para análise dos mercados financeiros
Registro
Login
Você concorda com a política do site e com os termos de uso
Se você não tem uma conta, por favor registre-se
Mas todas estas abordagens estatísticas não são relevantes para o forex :)
só para me arrebentar os miolosDepende do tipo de abordagem do mercado em geral. Por exemplo, depois de selecionar os predicados e obter um modelo, podemos aplicar as mesmas métricas aos resultados do modelo treinado. E se vários modelos foram treinados, então use essas métricas para escolher o modelo apropriado. Esse é o problema em muitos aspectos. Depois de obter 10 modelos, você precisa escolher aquele que será o melhor no futuro. E isto pode ser feito através da construção de VI ou do mesmo andaime, mas nos resultados dos modelos obtidos.... IMHO
Depende de qual abordagem do mercado como um todo. Por exemplo, depois de selecionar os preditores e obter o modelo, podemos aplicar as mesmas métricas aos resultados do modelo treinado. E se vários modelos tiverem sido treinados, então use essas métricas para selecionar o modelo apropriado. Esse é o problema em muitos aspectos. Depois de obter 10 modelos, você precisa escolher aquele que será o melhor no futuro. E isto pode ser feito através da construção de VI ou do mesmo andaime, mas nos resultados dos modelos obtidos.... IMHO
imo, acho que é muito demorado num mercado em constante mudança... mais demorado do que a troca de mãos para mim pessoalmente.
se falamos de eficiência, esta abordagem não é eficiente, com baixa eficiência.
por isso não estou interessado em mineração de dados por causa da mineração de dados.
Aquecimento cardíaco para dizer !!!! Na continuação do tópico.... Como você sabe eu comecei a girar R e fui capaz de calcular o máximo VI entre cada entrada e saída, mas mesmo isso foi suficiente para reduzir os dados de entrada de 110 para 20-30 com os dados de entrada permanecendo aqueles com o máximo de informação sobre a saída. Como resultado, os modelos começaram a passar com mais e mais sucesso nos meus próprios testes. Vamos ver como vai ser no circuito de feedback. Vai aparecer uma semana.
Mas aqui eu acho que uma VI métrica não será suficiente. Eu deveria tentar calcular a redundância e tentar reduzir o número de colunas.
Talvez já existam funções prontas que permitam estimar os dados de entrada para saída além da informação mútua????
Sim, e já escrevi sobre isso mais de uma vez neste tópico.
Os algoritmos de seleção de preditores que são usados SEM o modelo de aprendizagem da máquina dão bons resultados porque aqueles que são incorporados no algoritmo são parte desse algoritmo e simplesmente informam sobre como os preditores foram usados nesse algoritmo em particular, não sobre a sua importância para a variável alvo.
Os algoritmos do carpete são muito eficazes, existem três deles. Geralmente você deve levar este pacote, porque ele tem tudo: data mining, que não é apenas seleção de preditores, um monte de modelos, seleção de modelos e sua avaliação. De qualquer forma, este livreto pode ser usado como um livro de texto sobre "o que acontece".
Uma vez fiz uma revisão por mim mesmo, pode ser útil.
Cheio, e esta não é a primeira vez que escrevo sobre isso neste tópico.
Os algoritmos de seleção de preditores que são usados SEM o modelo de aprendizagem da máquina dão bons resultados, já que aqueles embutidos no algoritmo são parte desse algoritmo e simplesmente informam como os preditores foram usados nesse algoritmo em particular, em vez de sua importância para a variável alvo.
Fiz uma revisão por mim mesmo uma vez, pode ser útil.
E se pensarmos nisso? Você entrará em um ciclo infinito de seleção de características com esta abordagem
e você deixa cair exemplos onde a maioria dos modelos são construídos em árvores lolz :)
imo, acho que é muito demorado num mercado em constante mutação... mais demorado do que a troca de mãos para mim pessoalmente.
e eu não estou interessado em mineração de dados por causa da mineração de dados.
Se você não levar em conta o poder computacional gasto, mas levar em conta o tempo que leva para se preparar para a negociação, então você obtém uma imagem bastante interessante. Eu faço o seguinte.
No sábado passo 4-8 horas (dia útil) para criar um modelo e não um; saio na sexta-feira como peça de OOS para determinar as condições de trabalho do TS. Assim, no sábado eu passo a preparar-me para a semana seguinte. E você está absolutamente certo sobre o fato de que o mercado está mudando muito rápido, por isso é simplesmente estúpido construir modelos em um prazo de 5 anos. Como regra, se o TS funcionar 50% do período de treinamento, é um resultado decente. Como resultado, percebendo que não faz sentido em modelos grandes, porque será pior na qualidade do treinamento (quanto mais longo o período de treinamento pior o modelo), eu escolho um período de treinamento de duas semanas, então o TS foi capaz de trabalhar pelo menos uma semana. Como resultado, recebo cerca de 10 modelos, passo os modelos por todo o tipo de testes, e agora todos os tipos de métricas.... Eu escolho exatamente aqueles que passaram nestes testes e coloco tudo na UPU e...... é grátis até o próximo sábado. O robô trabalha independentemente, eu apenas controlo a sua execução de ordens. Então... ...fica de olho nele para não colar. Eu costumava ter de verificar o TS todas as manhãs e definir um parâmetro, mas agora já me livrei deste problema e não visito o TSU de todo, uma vez em dois ou três dias, e mesmo assim, se não houver negociações durante este tempo, mas mesmo assim... Que se lixe tudo. Como resultado, estimo o meu trabalho não de negócio em negócio, mas durante semanas. Eu tenho lucro ou prejuízo em uma semana, e o principal é ter semanas mais lucrativas. Mas o facto é que..:
Passei 5 horas no sábado para passar a semana seguinte com as mãos dentro das calças e sem pensar no mercado, e ensinando aos alunos todo o tipo de truques informáticos. Sentar-se para fazer comércio manual acarreta uma desvantagem. Você pode sentar-se em frente ao monitor o dia todo e perder dinheiro, o que leva não só a uma perda de dinheiro, mas também a uma perda de tempo. E como você sabe, o tempo é um recurso não renovável!!!!!
Se nós trocamos robôs então devemos tentar passar o menor tempo possível no mercado, para que em caso de falha do mercado possamos evitá-lo ganhando alguma renda no setor real (emprego, oficina, etc.).
Não vale a pena construir grandes modelos num mercado em constante mudança. A única diferença é que os modelos pequenos são geralmente melhores em termos de resultados de treinamento, e eles também se constroem mais rapidamente.
Quanto aos modelos adaptativos de seguimento de mercado, quando novos dados corrigem a estrutura do modelo, tais modelos também não vivem muito tempo. A menos que seja um sistema de auto-treinamento que se retrai automaticamente em intervalos de tempo, seleciona-se a si mesmo, etc. Obviamente cheira a inteligência, mas acho que ainda está muito longe. IMHO, naturalmente!!!!
Quanto ao mercado adaptativo seguindo modelos, onde novos dados ajustam a estrutura do modelo em si, tais modelos também não duram muito tempo. A menos que seja um sistema de auto-aprendizagem que se retrai automaticamente em intervalos, se seleciona a si mesmo, etc. Obviamente cheira a inteligência, mas acho que ainda está muito longe. IMHO, naturalmente!!!!
tudo isto está lá há muito tempo :) funciona e está constantemente a aprender, depois os resultados da "actividade" são aproximados por uma rede neural e depois estas estimativas são utilizadas com uma certa probabilidade para tomar novas decisões e o seu posterior ajustamento
pelo menos a abordagem é mais lógica para forex
Mais ou menos falando, um tal sistema está constantemente a cutucar em diferentes estados, a lembrar o que fez, a analisar as consequências e a tomar decisões com base na sua experiência... alguns esquecendo, melhorando... É uma espécie de IA e negoceia quase como um verdadeiro comerciante :) é uma aprendizagem real e não uma aproximação habitual no caso do que temos feito até agoraCheio, e esta não é a primeira vez que escrevo sobre isso neste tópico.
Os algoritmos de seleção de preditores que são usados SEM o modelo de aprendizagem da máquina dão bons resultados, uma vez que aqueles embutidos no algoritmo são parte desse algoritmo e simplesmente informam como os preditores foram usados nesse algoritmo em particular, não a sua importância para a variável alvo.
Os algoritmos do carpete são muito eficazes, existem três deles. Geralmente você deve levar este pacote, porque ele tem tudo: data mining, que não é apenas seleção de preditores, um monte de modelos, seleção de modelos e sua avaliação. De qualquer forma, este livreto pode ser usado como um livro de texto sobre "o que acontece".
Fiz uma revisão por mim mesmo uma vez, pode ser útil.
Obrigado! Eu instalei o carpete. Eu vou tentar. Mas no outro dia apercebi-me aqui. Eu tenho cerca de 110 entradas no momento, o máximo que eu poderia formular e montar. Fi-lo há muito tempo, há três ou mais anos e pensei, e se estes inputs não são tão bons como penso, o que me levou à ideia de retomar a procura de inputs para o meu TS!!!! Especialmente porque é muito mais fácil de fazer com a métrica estatística. Primeiro, colocamos tudo na pilha geral, e depois peneiramos e deixamos apenas os importantes de acordo com um ou outro critério.
Entrei em contacto com Denis da KD e ele prometeu ajudar-me a obter mais alguns dados de natureza completamente diferente, mas relacionados com o mercado. No entanto, penso que não é correcto tomar dados para o período de N bares, porque neste caso seguimos a escala temporal, enquanto ganhamos na escala de preços. Assim, o mercado deve ser analisado utilizando a escala de preços (perfil) e não a escala de tempo. Denis prometeu ajudar com a construção do perfil delta e assim por diante. E esses mesmos dados serão mais interessantes para a IA do que, digamos, o Delta sobre as barras N. Além disso, ele também leva o mercado com PME, para que o OM possa ser alcançado, e isto junto com o volume será GOGOYOYOYO!!!!!. Claro que o OM não fará o tempo, mas a adição de 5-10% ao desempenho do TC não fará mal, porque por vezes são estas percentagens que estão em falta......
E se pensares nisso? Você entrará em um ciclo infinito de seleção de características com esta abordagem
e exemplos largados onde a maioria dos modelos são construídos em árvores lolz :)
Eu não preciso pensar - para mim é uma fase passada com um arquivo bastante grande de resultados experimentais.
Vou repetir o que já escrevi muitas vezes.
1. ZZ alvo
2. Eu inventei cerca de 200 preditores para este alvo.
3. 27 preditores de 200 de acordo com o algoritmo "influência sobre o alvo
4. selecionei preditores de 27 preditores em cada barra e alterei o número de preditores selecionados de 6-7 para 15 de 27.
5. Encaixe do rf. O erro de ajuste é de pouco menos de 30%.
Sem ciclos infinitos. 30% é um resultado muito bom, mas em teoria. Eu não consegui construir um Expert Advisor prático usando este resultado, eu tive que adicionar indicadores de tendência. No momento estou mudando os indicadores para o GARCH.
tudo isto está lá há muito tempo :) funciona e está constantemente a aprender, depois os resultados da "actividade" são aproximados por uma rede neural, e depois estas estimativas são utilizadas com uma certa probabilidade para tomar novas decisões e o seu posterior ajustamento
pelo menos a abordagem é mais lógica para forex
Grosseiramente falando, tal sistema está constantemente a cutucar diferentes estados, a lembrar o que fez, a analisar as consequências e a tomar decisões com base na sua experiência... alguns deles esquecem-se, melhoram... É como uma IA e negoceia quase como um verdadeiro comerciante :)Esta é a primeira opção, e a segunda é construir modelos pequenos sem adaptação durante um período de tempo relativamente curto. Por assim dizer, a invadir o mercado. Veio e otimizado, tirou dos plebeus um par de bons negócios e ficou fora até a próxima vez....
Os preditores podem ser selecionados, podem ser extraídos e podem ser criados. Lembre-se, no entanto, que além dos chamados preditores de "ruído", existem exemplos de "ruído" que também precisam ser repartidos ou apagados. Você pode ler sobre tudo isso e repetir os exemplos nos artigos
Redes Neurais Profundas (Parte III). Seleção de exemplos e redução de dimensionalidade
Redes Neurais Profundas (Parte II). Desenvolvimento e seleção de prognósticos
Redes Neurais Profundas(Parte I). Preparação de dados
Avaliação e escolha de variáveis para modelos de aprendizagem de máquinas
Boa sorte.